CN101275900A - 基于车轮振动的路面类型识别方法 - Google Patents

Abstract

本发明公开了一种基于车轮振动的路面类型识别方法，它是在建立车轮振动模型后，当车辆行驶时，采集当前车轮的振动信号，获得当前车轮振动高频频谱特征向量，与典型路面车轮振动高频频谱特征向量进行比较，从而识别路面类型。本方法简单易行，所用设备简单，安装方便。

Description

基于车轮振动的路面类型识别方法

技术领域

本发明属于车辆行驶安全技术领域，具体涉及一种车辆行驶过程中，路面类型识别的方法。

背景技术

车辆安全平顺行驶(如ABS、ASR、EBD、ESP等)所必需的力，均来源于轮胎与路面的接触面，该力取决于路面的抗滑性。因此，路面抗滑性评价是车辆安全控制的必要环节。

路面抗滑性由路面表面特征决定，路面表面特征包括宏观结构和微观结构(沙庆林，“高速公路沥青路面早期破坏现象及预防”，人民交通出版社，2005年1月)。路面的微观构造是指路面集料表面的粗糙度，即集料表面水平方向0～0.5mm，垂直方向0～0.2mm的微观构造，微观结构在低速(30～50km/h以下)时对路面抗滑性能起决定作用。路表面的宏观构造是指路面集料间的空隙或排水能力，由路面集料间形成的构造，即路面水平方向为0.5～50mm，垂直方向为0.2～10mm，宏观构造主要影响高速行驶时的抗滑能力。

目前，常见的高速路面包括水泥混凝土路面和SMA沥青路面，这两种路面表面集料粒度不同，路面表特征宏观结构不同。水泥混凝土路面表面集料为细度模数2.3～3.2之间的中砂、中粗砂和偏细粗砂，水泥混凝土路面表面特征征宏观结构见图1。SMA沥青路面骨架为大于4.75mm的粗集料(约占混合料的70％)，沥青、矿粉、细集料、纤维组成的玛蹄脂填充料(约占混合料的30％)，SMA沥青路面表面特征征宏观结构见图2。

综上所述，不同类型路面，表面特征宏观结构不同。宏观结构影响汽车高速行驶时的抗滑力，是影响汽车安全的主要因素。因此，通过测量路面表面特征宏观结构可以评价路面的抗滑性，其实质就是路面类型识别。

目前测量路面表面特征宏观结构的常用方法如下：

1、表面轮廓轮胎传感器识别路面表面特征宏观结构(韩建保，张鲁滨，李邦国，“轮胎路面附着系数实时感应识别系统”，车辆与动力技术，2005年第二期)

表面轮廓轮胎传感器，见图3，其核心部件是微形平板压电晶体，通过压电晶体产生的电势，感知轮胎橡胶的变形(实质是获得路面表面特征宏观结构)，据此识别出车轮驱动力、制动力、侧向力、车轮载荷、轮胎气压、轮胎印迹的大小和位置、轮胎与地面之间的附着系数等。轮胎传感器本身不带电源，由外部无线电磁波激励，同时信息通过无线电磁波发射到车载电子接收设备。

该方法存在以下缺点：

(1)传感器在轮胎橡胶内准确定位比较困难；

(2)传感器无线供电与无线信息传输比较复杂；

(3)因传感器很小，获取信息比较少，不能反映路面整体情况。

2、声波散射测量路面表面特征(Pieter L.Swart，BeatrysM.Lacquet，“An Acoustic Sensor System for Determination ofMacroscopic Surface Roughness”，IEEE Transactions onInstrumentation and Measurement，Vol.45，No.5，October 1996)

声波散射测量路面表面特征宏观结构示意，见图4，其测量路面表面特征原理在于，向路面发射声波，路面表面特征越粗糙，则波长越小的声波被散射的越多。发射装置以特定的声波(频率与功率)和发射角度向路面连续发射声波，声波接受装置以特定的范围接受路面反射声波。通过分析接收到的声波，可知某种频率的声波被反射，某种频率的声波被散射。根据反射、散射声波的频率和程度，估算出路面表面特征宏观结构。

该方法存在以下缺点：

(1)接收到的声波容易受到外界声波干扰；

(2)设备安装不方便，离路面近容易发生碰撞，离路面远精度降低；

(3)发射装置和接受装置容易受灰尘、雨水等污染。

发明内容

本发明的目的在于提供一种基于车轮振动的路面类型识别方法，以克服上述方法存在的缺陷。

本发明基于车轮振动的路面类型识别方法的技术方案为：它是在建立车轮振动模型后，当车辆行驶时，采集当前车轮的振动信号，获得当前车轮振动高频频谱特征向量，与典型路面车轮振动高频频谱特征向量进行比较，从而识别路面类型。

首先，建立车轮振动模型，证明车轮振动高频频率与路面表面宏观特征激励频率相等；其次，采集多组典型路面(如水泥混凝土路面、SMA沥青路面等)车轮振动信号，通过小波分析和快速傅里叶变换，获取多组典型路面车轮振动高频频谱特征向量；利用典型路面车轮振动高频频谱特征向量构造路面RBF神经网络分类器；最后，采集待识别路面车轮振动信号，获得其频谱特征向量，输入路面RBF神经网络分类器，得到路面类型识别结果。

本方法简单易行，所用设备简单，安装方便。

本发明在车辆安全控制(如ABS、ASR、EBD、ESP等)中主要作用如下：

(1)确定最佳滑移率

不同类型路面最佳滑移率不同，因此根据路面类型可以确定车辆最佳滑移率，见图5。

(2)确定最大刹车力和驱动力

确定路面类型和最佳滑移率后，就可以确定路面最大附着系数，见图5。最大附着系数乘以车重，就是路面所能提供的最大摩擦力。根据最大摩擦力来确定车辆最大刹车力和驱动力。

附图说明

图1水泥混凝土路面表面特征征宏观结构。

图2SMA沥青路面表面特征征宏观结构。

图3表面轮廓传感器与火柴比较。

图4测量路面声波散射识别路面。

图5不同路面的μ-λ曲线。

图6基于车轮振动的路面类型识别流程。

图7单自由度车轮振动模型。

图8水泥混凝土路面、柏油路面车轮振动信号。

图9单子带重构改进算法。

图10水泥混凝土路面、柏油路面车轮振动频谱特征向量。

图11RBF神经网络结构。

图12车轮振动神经网络路面类型识别设备原理。

具体实施方式

本发明基于车轮振动的路面类型识别流程见图6。它由以下几部分组成：建立车轮振动模型，采集车轮振动信号，获取多组典型路面车轮振动高频频谱特征向量，构造路面类型识别神经网络分类器，开发车轮振动神经网络路面类型识别设备。

1.1建立车轮振动模型

本方法研究的对象是车轮振动，根据研究需要，对车辆振动系统进行适当简化(靳晓雄，张立军，江浩，“汽车振动分析”，同济大学出版社，2002年5月第一版)。当车辆质量分配系数ε＝1时，车轮振动彼此没有联系，车轮振动模型简化为车轮m1组成的单自由度车轮振动模型，见图7。车轮振动包括路面不平度引起车轮低频振动和路面表面特征宏观结构引起车轮振动高频，高频振动是本发明研究对象，低频振动可以被鉴别并剔除。

以下证明车轮振动高频频谱与路面表面特征宏观结构激励频谱相同：

为了分析简单，路面表面特征宏观结构激励简化为

x_s＝a sin ωt            (1)

车轮振动模型微分方程为

$m_1{x}_1+c_1{x}_1+k_1{x}_1=k_1{x}_s+c_1---\left(2\right)$

该振动微分方程的解为

$x_1\left(t\right)=a\sqrt{\frac{1+{\left(2\mathrm{\ξ\λ}\right)}^2}{{(1-{\mathrm{\λ}}^2)}^2+{\left(2\mathrm{\ξ\λ}\right)}^2}}\sin (\mathrm{\ωt}-\mathrm{\ψ})---\left(3\right)$

其中，x_s为路面表面特征激励，a为路面表面特征激励振幅，ω为路面表面特征宏观结构激励频率，m₁为轮胎质量，x₁为车轮振动，c₁为轮胎阻尼，k₁为轮胎刚度，ξ为阻尼比，λ为频率比，ψ为滞后角。

从微分方程解(3)，证明车轮振动高频频谱与路面表面特征宏观结构激励频谱相同。

1.2采集车轮振动信号

在车桥靠近车轮位置垂直安装加速度传感器，测量车轮垂直方向振动。车辆行驶在典型高速路面上，采集多组路面车轮振动信号，其中一组水泥混凝土路面、SMA沥青路面车轮振动信号见图8。

1.3获取多组典型路面车轮振动高频频谱特征向量

(1.3.1)小波分析车轮振动信号

选择合适的小波函数和尺度，采用单子带重构改进算法(杨建国，“小波分析及其工程应用”，机械工业出版社，2005年7月第一版)，获取车轮振动高频子带信号。单子带重构改进算法见图9。

(1.3.2)获取车轮振动高频频谱

对车轮振动高频子带信号进行快速傅立叶变换，获取车轮振动高频频谱。

(1.3.3)获取车轮振动高频频谱特征向量

为了降低干扰和减少数据量，以固定频带等分车轮振动高频频谱，并以频谱幅值平均值作为该频带频谱幅值，对频谱进行归一化，得到车轮振动高频频谱特征向量。

$f\left(x\right)=\left\{\begin{array}{cc}{F}_1& f_0<x<f_1\\ F_2& f_1<x<f_2\\ & \mathrm{\&Lambda;}\\ F_n& f_{n-1}<x<f_n\end{array}\right.---\left(4\right)$

在典型路面上采集各类路面多组车轮振动信号，并获取各类路面多组车轮振动频谱特征向量。其中，一组水泥混凝土路面、SMA沥青路面频谱特征向量见图10(上图为水泥混凝土路面频谱特征向量，下图为SMA沥青路面频谱特征向量)。

1.4构造路面类型识别神经网络分类器

(1.4.1)建立路面类型识别RBF神经网络

RBF神经网络由两层组成，包括隐层和输出层，隐层有若干个神经元，节点函数最常用的是高斯函数，输出层有若干个神经元，节点函数为简单的线性函数。设网络输入X为n维向量，输出Y为L维向量，其结构见图11。

(1.4.2)训练路面类型识别RBF神经网络

RBF网络的学习过程分为两个阶段，第一阶段是无教师学习，第二阶段是有教师学习。

无教师学习阶段

对所有样本的输入进行聚类(李国勇，“智能控制及其MATLAB实现”，电子工业出版社，2005年5月)，求得各隐层节点的中心向量c_i。以下是K-均值聚类算法，算法步骤如下：

给定各隐层节点的初始中心向量c_i(0)和判定停止计算的ε；

(i)计算距离(欧几里得距离)并求出最小距离节点；

$\left\{\begin{array}{c}{d}_i\left(k\right)=\left|\right|x\left(k\right)-c_i(k-1)\left|\right|,1\&le;i\&le;q\\ d_{\min }\left(k\right)=\min d_i\left(k\right)=d_r\left(k\right)\end{array}\right.---\left(5\right)$

其中i＝1，2，3...q，q为隐层节点数，c_i第i个隐层节点的高斯核函数的中心向量。

(ii)调整中心

$\left\{\begin{array}{c}{c}_i\left(k\right)=c_i(k-1),1\&le;i\&le;q,i\&le;r\\ c_r\left(k\right)=c_r(k-1)+\mathrm{\&beta;}\left(k\right)[x\left(t\right)-c_r(k-1)]\end{array}\right.---\left(6\right)$

式中，β(k)是学习速率，β(k)＝β(k-1)/1+int(k/q)^1/2，学习率逐渐减小。

判定聚类质量

对全部样本k反复进行以上i、ii步骤，直到满足以下条件，则聚类结束。

$J_e=\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{\left|\right|\stackrel{\&OverBar;}{x}\left(k\right)-{\stackrel{\&OverBar;}{c}}_i\left(k\right)\left|\right|}^2\&le;\mathrm{\&epsiv;}---\left(7\right)$

有教师学习

当c_i确定以后，训练由隐含层至输出层之间的权值。它是一个线性方程组，则求权值就成为线性优化问题，肯定可以获得全局最小点。求隐含层和输出层的权值W_i学习算法为

$w_{\mathrm{ki}}(k+1)=w_{\mathrm{ki}}\left(k\right)+\mathrm{\&eta;}(t_k-y_k)u_i\left(\stackrel{\&OverBar;}{x}\right)/{\stackrel{\&OverBar;}{u}}^T\stackrel{\&OverBar;}{u}---\left(8\right)$

式中，u_i(k+1)为高斯函数，η为学习速率。

以各类路面多组车轮振动频谱特征向量训练RBF神经网路，最终获得路面类型识别神经网络分类器。

1.5开发车轮振动神经网络路面类型识别设备

车轮振动神经网络路面类型识别设备原理见图12，传感器用于采集待识别路面车轮振动信号，数据采集系统完成车轮振动信号从模拟量到数字量的转换，DSP完成1.3获取车轮振动高频频谱特征向量、装入1.4构造的路面RBF神经网络分类和与车辆安全控制ECU数据通信。

本发明实验中，识别对象为水泥混凝土路面和SMA沥青路面，车速为40Km/h。实施过程中，首先用高速动态采集仪采集车轮振动信号，用Matlab仿真获取车轮振动高频频谱特征向量、构造路面类型识别神经网络分类器；其次开发路面类型识别设备，包含以单片机为核心的车轮振动数据采集系统，以DSP为核心的信号分析、RBF神经网络路面类型识别和通信系统。

2.1采集车轮振动信号

汽车选用上海通用别克赛欧SL1.6轿车；高速动态采集仪选用wavebook516E及其扩展模块wbk18，设置采样频率为16KHz，设置抗混叠滤波器频率为5KHz；加速度传感器选用CA-YD-181型，其有效振动频率为1～10KHZ，将其垂直安装在后桥距离车轮30mm处。

在水泥混凝土路面、SMA沥青路面各采集50组车轮振动信号，为保证实时性和准确性，采集点数为4096，其中一组水泥混凝土路面和SMA沥青路面车轮振动信号见图3。

2.2获取多组典型路面车轮振动高频频谱特征向量

(2.2.1)小波分析车轮振动信号

采用小波单子带重构改进算法分解和重构车轮振动信号。小波函数选用db10，进行2尺度单子带重构，获得车轮2K～4KHz高频振动子带信号。滤波器直接采用Matlab提供的双正交小波滤波器组函数：

[H_D，G_D，h_R，g_R]＝wfilters(′db10′)

(2.2.2)获取车轮振动高频频谱

对获得的高频子带信号进行快速傅立叶变换，求出高频子带频谱。快速傅立叶变换直接调用Matlab提供地函数：

X2＝fft(d2，4096)

其中d2车轮2K～4KHz高频振动子带信号，X2为振动信号2K～4KHz频带内频谱。

(2.2.3)获取车轮振动高频频谱特征向量

将每个振动频谱等分为20个频段，并以每频段平均幅值作为该频带频谱幅值，再对频谱进行归一化，获得车轮振动频谱特征向量。其中，一组水泥混凝土路面和SMA沥青路面频谱特征向量见图6。

对50组水泥混凝土路面和SMA沥青路面车轮振动信号通过(2.2.1)、(2.2.2)、(2.2.3)步骤进行分析，获取50组频谱特征向量，每个向量20维。其中40组向量训练路面类型识别神经网络分类器，另外10组用于检验神经网络分类器。

2.3构造路面神经网络分类器

(2.3.1)建立路面类型识别RBF神经网络，网络输入向量为20维，隐含层神经元个数为20个，网络输出向量为1维；

(2.3.2)训练路面类型识别RBF神经网络，首先将40个水泥混凝土路面车轮振动高频频谱特征向量输入RBF神经网络，令网络输出为0；其次将40个柏油路面车轮振动高频频谱特征向量输入RBF神经网络，令网络输出为1.0。通过训练RBF神经网络，得到路面神经网络分类器。

2.4神经网络路面类型识别验证

将另外10组路面频谱特征向量输入路面神经网络分类器，网络输出结果见表1。网络分类器输出接近0的为水泥混凝土路面，网络分类器输出结果接近1.0的为SMA沥青路面。从路面类型识别实验结果可以看出，对于水泥混凝土路面和SMA沥青路面，识别准确率可达100％。

表1路面神经网络分类器输出

            混凝土路面面                     SMA沥青路面

1    -0.15743    6     -0.16787    1    0.84977    6    0.82057

2    -0.16787    7     -0.16053    2    0.97070    7    0.79684

3    0.028965    8     -0.15645    3    0.75505    8    0.59715

4    -0.17188    9     -0.19633    4    0.79872    9    0.87721

5    -0.09944    10    -0.16654    5    0.79484    10   0.98537

2.5开发车轮振动神经网络路面类型识别设备

车轮振动神经网络路面类型识别设备原理见图12，该设备包含：

(2.5.1)车轮振动传感器，用于采集待识别路面车轮振动信号，其型号选用CA-YD-181。

(2.5.2)以单片机为核心的车轮振动数据采集系统，完成车轮振动信号A/D转换，单片机选用AT89C2051，A/D转换器选用AD7574，数据存储器选用双口RAMIDT7134。

(2.5.3)以DSP为核心的信号分析、神经网络路面类型识别系统和通信系统，内部包含数据分析算法和通过2.3构造的路面神经网络分类器，完成信号频谱分析、路面分类，数据最后通过总线传送给汽车安全电子控制单元。DSP选用TMS320LF2407。

Claims (7)

1、一种基于车轮振动的路面类型识别方法，它是在建立车轮振动模型后，当车辆行驶时，采集当前车轮的振动信号，获得当前车轮振动高频频谱特征向量，与典型路面车轮振动高频频谱特征向量进行比较，从而识别路面类型。

2、如权利要求1所述基于车轮振动的路面类型识别方法，其特征在于所述获取车轮振动高频频谱特征向量的方法是：采用单子带重构改进算法分解和重构车轮振动信号，获取车轮振动高频子带信号；对车轮振动高频子带信号进行快速傅立叶变换，获取车轮振动高频频谱；以固定频带等分车轮振动高频频谱，并以频谱幅值平均值作为该频带频谱幅值，对频谱进行归一化，得到车轮振动高频频谱特征向量。

3、如权利要求1所述基于车轮振动的路面类型识别方法，其特征在于将当前车轮振动高频频谱特征向量与各类典型路面车轮振动高频频谱特征向量比较，具体方法是：构造路面类型识别神经网络分类器，利用神经网络分类器对路面进行识别。

4、如权利要求3所述基于车轮振动的路面类型识别方法，其特征在于构造路面类型识别神经网络分类器的方法是：建立路面类型识别RBF神经网络，RBF神经网络由两层组成，包括隐层和输出层；利用车轮振动模型的车轮振动频谱特征向量训练RBF神经网路，最终获得路面类型识别神经网络分类器从而实现路面类型识别。

5、如权利要求4所述基于车轮振动的路面类型识别方法，其特征在于所述训练RBF神经网路包括第一阶段是无教师学习，第二阶段是有教师学习；所述无教师学习是对所有样本的输入进行聚类，求得各隐层节点的中心向量c_i；所述教师学习是当c_i确定以后，训练由隐含层至输出层之间的权值w_i。

6、如权利要求2所述基于车轮振动的路面类型识别方法，其特征在于将获取车轮振动高频频谱特征向量的方法用DSP编程，并下载DSP芯片内。

7、如权利要求3所述基于车轮振动的路面类型识别方法，其特征在于将获得的RBF神经网络分类器用DSP编程，并下载DSP芯片内。

Images